Applied Computing, startup londinese fondata nel 2023, ha appena incassato 20 milioni di dollari in un round Serie A per costruire un foundation model dedicato alle raffinerie. Il round è stato guidato dal colosso dell’ingegneria KBR, con la partecipazione di Databricks Ventures. Dietro la notizia di finanziamento c’è però una domanda più spinosa: perché un impianto industriale che genera milioni di dati ogni giorno – temperatura, pressione, velocità, viscosità – ne usa meno dell’8% nei processi decisionali?

La risposta non è solo tecnica, ma strutturale. I dati di una raffineria nascono, vivono e muoiono dentro il perimetro fisico dell’impianto. Sono rumorosi, intermittenti, appesi a migliaia di sensori sparsi su chilometri di tubature e colonne di distillazione. Spostarli in cloud per addestrare o inferire con un LLM generalista non è quasi mai fattibile: latenza, costi di banda, conformità normativa e rischi di sicurezza lo rendono improponibile. Qui si apre il solco in cui Applied Computing vuole scavare.

La trappola dell’8%

I numeri sono impressionanti: una singola raffineria può avere oltre 10.000 sensori, ma gli operatori si basano su una frazione minima di quei segnali. Il motivo è che i tool analitici tradizionali – dashboard statiche, sistemi DCS, regole fisse – non riescono a districare le correlazioni complesse tra flussi, pressioni e temperature che cambiano in tempo reale. Un foundation model addestrato specificamente sul dominio petrolchimico può invece catturare quelle interdipendenze, anticipare guasti, ottimizzare la resa dei distillati, ridurre fermi macchina. Tutto senza che un bit esca dallo stabilimento.

Per farlo, però, serve un deployment locale. La latenza non ammette round-trip al cloud: un allarme di sovrapressione deve attivarsi in millisecondi, e le condizioni di connettività in siti remoti sono spesso discontinue. È lo scenario perfetto per un’AI self-hosted, dove il modello gira su nodi edge o server on-premise, accedendo direttamente allo streaming dei sensori.

L’iniezione di sovranità industriale

Che un fondo corporate come Databricks Ventures partecipi a un’operazione del genere dice molto. Databricks è sinonimo di data lakehouse nel cloud, ma qui investe in un progetto che per sua natura spingerà capacità di calcolo ai margini della rete, lontano dai data center centralizzati. È il riconoscimento che i dati industriali ad alto valore restano vincolati al luogo di origine, e che monetizzarli senza spostarli richiede architetture ibride e modelli verticali.

KBR, dal canto suo, porta in dote decenni di commesse nell’ingegneria di processo: conosce le periferiche, i protocolli, le tolleranze. Insieme, stanno scommettendo che il prossimo salto di efficienza non arriverà da un generico chatbot, ma da un LLM che “capisce” davvero come si raffina il petrolio, e lo fa senza violare la sovranità dei dati.

Chi vince e chi perde

Per chi produce hardware per inference edge – dai moduli NVIDIA Jetson alle soluzioni FPGA – questa è musica. Un intero settore verticale che inizia a richiedere modelli on-premise su larga scala può diventare il motore per una nuova generazione di chip robusti, certificati per ambienti ATEX, e ottimizzati per consumi contenuti. Vince anche chi costruisce orchestrazione per deployment ibridi: servono tool per aggiornare il modello in remoto, monitorare la deriva dei dati, gestire versioning senza interrompere la produzione.

Perde, invece, chi scommetteva che l’industria pesante avrebbe riversato i propri segreti operativi nel cloud pubblico. La resistenza c’è sempre stata, ma ora sta trovando sponda in una tecnicia che rende non solo possibile, ma economicamente razionale fare inference in loco. Il messaggio strutturale è netto: la corsa all’AI non è solo una questione di modelli sempre più grandi, ma di modelli sempre più vicini ai dati. Applied Computing è solo l’ultimo nome, ma il movimento è già in atto.